論文の概要: Contour Errors: An Ego-Centric Metric for Reliable 3D Multi-Object Tracking

• arxiv url: http://arxiv.org/abs/2506.04122v1
• Date: Wed, 04 Jun 2025 16:15:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 21:20:14.450687
• Title: Contour Errors: An Ego-Centric Metric for Reliable 3D Multi-Object Tracking
• Title（参考訳）: Contour Errors: 信頼性の高い3DマルチオブジェクトトラッキングのためのEgo-Centric Metric
• Authors: Sharang Kaul, Mario Berk, Thiemo Gerbich, Abhinav Valada,
• Abstract要約: 機能的な視点からシナリオを追跡することに関心のあるマッチを特定するためのegoまたはオブジェクト中心のメトリクスであるContour Errors(CE)を紹介します。 3Dカートラッキングでは, コンターエラーにより, 近距離域で80%, 遠距離域で60%のファンクション障害(FPs/FNs)が減少した。
• 参考スコア（独自算出の注目度）: 7.470348359433461
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Finding reliable matches is essential in multi-object tracking to ensure the accuracy and reliability of perception systems in safety-critical applications such as autonomous vehicles. Effective matching mitigates perception errors, enhancing object identification and tracking for improved performance and safety. However, traditional metrics such as Intersection over Union (IoU) and Center Point Distances (CPDs), which are effective in 2D image planes, often fail to find critical matches in complex 3D scenes. To address this limitation, we introduce Contour Errors (CEs), an ego or object-centric metric for identifying matches of interest in tracking scenarios from a functional perspective. By comparing bounding boxes in the ego vehicle's frame, contour errors provide a more functionally relevant assessment of object matches. Extensive experiments on the nuScenes dataset demonstrate that contour errors improve the reliability of matches over the state-of-the-art 2D IoU and CPD metrics in tracking-by-detection methods. In 3D car tracking, our results show that Contour Errors reduce functional failures (FPs/FNs) by 80% at close ranges and 60% at far ranges compared to IoU in the evaluation stage.
• Abstract（参考訳）: 自律走行車のような安全クリティカルなアプリケーションにおいて、認識システムの精度と信頼性を確保するために、信頼性の高い一致を見つけることが、多目的追跡において不可欠である。 効果的なマッチングは、認識エラーを軽減し、オブジェクトの識別と追跡を強化し、パフォーマンスと安全性を向上させる。 しかしながら、2次元画像平面に有効であるIoU(Intersection over Union)やCPD(Center Point Distances)のような伝統的なメトリクスは、複雑な3Dシーンで重要なマッチを見つけるのに失敗することが多い。 この制限に対処するために、機能的な視点からシナリオを追跡することに関心のあるマッチを特定するためのegoまたはオブジェクト中心のメトリクスであるContour Errors(CE)を紹介します。 エゴ車のフレームのバウンディングボックスを比較することで、輪郭誤差はより機能的に関係のあるオブジェクトマッチングの評価を提供する。 nuScenesデータセットの大規模な実験により、輪郭誤差により、最先端の2D IoUとCDDの計測値に対する一致の信頼性が向上することが示された。 3Dカートラッキングでは, コンターエラーにより, 近距離域で80%, 遠距離域で60%のファンクション障害(FPs/FNs)が減少した。

関連論文リスト

• FuzzRisk: Online Collision Risk Estimation for Autonomous Vehicles based on Depth-Aware Object Detection via Fuzzy Inference [6.856508678236828]
  このフレームワークは異なるアルゴリズムから2組の予測を受け取り、不整合とファジィ推論による衝突リスクを関連付ける。 IoU(Intersection-over-Union)と深度差測定(deep discrepancy measure)に基づいて,2組の予測の不一致が3次元物体検出器の誤差と強く相関していることを実験的に検証した。 AV衝突率によく一致する既存のオフラインメトリックに対してファジィ推論システムを最適化する。
  論文  参考訳（メタデータ） (2024-11-09T20:20:36Z)
• Uncertainty Estimation for 3D Object Detection via Evidential Learning [63.61283174146648]
  本稿では,3次元検出器における鳥の視線表示における明らかな学習損失を利用して,3次元物体検出の不確かさを定量化するためのフレームワークを提案する。 本研究では,これらの不確実性評価の有効性と重要性を,分布外シーンの特定,局所化の不十分な物体の発見,および(偽陰性)検出の欠如について示す。
  論文  参考訳（メタデータ） (2024-10-31T13:13:32Z)
• FILP-3D: Enhancing 3D Few-shot Class-incremental Learning with Pre-trained Vision-Language Models [59.13757801286343]
  クラス増分学習(class-incremental learning)は、モデルが限られたデータで漸進的にトレーニングされている場合、破滅的な忘れの問題を軽減することを目的としている。 本稿では,特徴空間の不整合のための冗長特徴除去器 (RFE) と,重要な雑音に対する空間ノイズ補償器 (SNC) の2つの新しいコンポーネントを備えたFILP-3Dフレームワークを紹介する。
  論文  参考訳（メタデータ） (2023-12-28T14:52:07Z)
• CXTrack: Improving 3D Point Cloud Tracking with Contextual Information [59.55870742072618]
  3Dオブジェクトトラッキングは、自律運転など、多くのアプリケーションにおいて重要な役割を果たす。 CXTrackは3次元オブジェクト追跡のためのトランスフォーマーベースのネットワークである。 CXTrackは29FPSで動作しながら最先端のトラッキング性能を実現する。
  論文  参考訳（メタデータ） (2022-11-12T11:29:01Z)
• CAMO-MOT: Combined Appearance-Motion Optimization for 3D Multi-Object Tracking with Camera-LiDAR Fusion [34.42289908350286]
  3D Multi-object Track (MOT) は、連続的な動的検出時の一貫性を保証する。 LiDAR法で物体の不規則な動きを正確に追跡することは困難である。 複合外観運動最適化(CAMO-MOT)に基づく新しいカメラ-LiDAR融合3DMOTフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-06T14:41:38Z)
• Homography Loss for Monocular 3D Object Detection [54.04870007473932]
  ホログラフィーロス(Homography Loss)と呼ばれる,2次元情報と3次元情報の両方を利用する識別可能なロス関数を提案する。 提案手法は,KITTI 3Dデータセットにおいて,他の最先端技術と比較して高い性能を示す。
  論文  参考訳（メタデータ） (2022-04-02T03:48:03Z)
• Learnable Online Graph Representations for 3D Multi-Object Tracking [156.58876381318402]
  3D MOT問題に対する統一型学習型アプローチを提案します。 我々は、完全にトレーニング可能なデータアソシエーションにNeural Message Passing Networkを使用します。 AMOTAの65.6%の最先端性能と58%のIDスウィッチを達成して、公開可能なnuScenesデータセットに対する提案手法のメリットを示す。
  論文  参考訳（メタデータ） (2021-04-23T17:59:28Z)
• Relation3DMOT: Exploiting Deep Affinity for 3D Multi-Object Tracking from View Aggregation [8.854112907350624]
  3Dマルチオブジェクトトラッキングは、自律ナビゲーションにおいて重要な役割を果たす。 多くのアプローチでは、トラッキングのための2次元RGBシーケンス内のオブジェクトを検出するが、これは3次元空間内のオブジェクトをローカライズする際の信頼性の欠如である。 本稿では,隣接フレーム内の各オブジェクト間の相関をよりよく活用するために,RelationConvという新しい畳み込み演算を提案する。
  論文  参考訳（メタデータ） (2020-11-25T16:14:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。